16、硬件感知概率机器学习模型的技术进展与未来展望

硬件感知概率机器学习模型的技术进展与未来展望

1. 核心贡献概述

在资源受限的极端边缘计算场景中，让概率模型感知硬件特性具有重要意义。以下是几个关键的贡献点：

1.1 特征噪声感知的概率模型扩展

引入了噪声可扩展的贝叶斯网络分类器（ns - BN），该模型能够体现各类硬件噪声源对提取特征质量的影响。通过它可以确定在给定成本下，每个特征的最佳噪声水平，以实现最高的分类准确率，反之亦然。在闭环系统中部署时，它能在运行时动态确定每个特征的局部最优噪声水平，并且对多种传感器故障情况表现出很强的鲁棒性。

1.2 硬件成本感知的概率模型扩展

提出了一种基于概率命题决策图（PSDDs）特性的方法，将嵌入式传感/推理管道不同阶段的能耗映射到一个硬件感知的成本指标上。同时，还提出了一种顺序搜索策略，用于提取在给定能量成本下能提供最高准确率的局部最优系统级配置，反之亦然。在动态场景中，该策略可以根据任务难度在不同模型之间进行切换，实现了接近帕累托最优的准确率与成本性能，尤其在低成本区域效果显著，适用于电池续航有限的嵌入式场景。

1.3 不可靠极端边缘节点的部署支持

对LEARNPSDD算法进行改进，加入了判别性偏差，确保学习到的模型始终能体现特征与类别之间的关系。这使得学习到的模型在分类准确率上始终不低于朴素贝叶斯分类器，同时对缺失特征具有很强的鲁棒性。在评估模型切换策略的实验中，这种模型学习策略被证明对传感器故障具有很强的抵抗力。

2. 实际可行性验证

相关技术在多个实际用例中得到了验证。所有贡献都在人类活动识别数据集上进行了评估，这是一个与目标应用范围相关的重要